iGC:基于体细胞高频突变先验的强化学习抗体优化框架
iGC: Antibody Optimization via Reinforcement Learning over a Learned Somatic Hypermutation Prior
Thao Nguyen 等提出 iGC,一个面向抗原特异性抗体优化的两阶段强化学习框架。第一阶段从 B 细胞谱系树的亲子对中学习 SHM 突变先验并适配目标亲和力成熟数据集,第二阶段用该先验初始化 RL 策略,并以 KL 正则优化抗原结合。
预印本 · arxiv · 2611.05270
本站摘要基于收录版本 v1(2026-11-04),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
抗体亲和力成熟是一个自然的优化过程,B 细胞通过体细胞超突变(SHM)获得突变,经过筛选以改善抗原结合,并迭代地向更高亲和力演化。计算建模这一过程需要同时捕捉生物学上合理的突变和抗原特异性选择。然而,现有的突变模型并不直接优化结合,而亲和力优化往往忽略了真实的突变轨迹。 我们提出 iGC(in silico Germinal Centers,计算机模拟生发中心),这是一个用于抗原特异性抗体优化的两阶段强化学习(RL)框架。阶段 1 从 B 细胞谱系树中的亲本-子代对中学习 SHM 突变先验,并将其适配到目标亲和力成熟数据集。阶段 2 从该先验初始化 RL 策略,并通过 KL 散度正则化向冻结的先验优化抗原结合。为防止奖励利用,包括重复的高奖励替换和结构上可容忍的框架突变,我们引入了 Reward-Tax 元梯度目标。RewardNet 平滑亲和力景观,而 TaxNet 惩罚奖励的过度利用,共同定义一个学习到的元奖励用于策略优化。 我们在突变预测、SHM 一致性、亲和力优化和突变多样性方面评估了 iGC。该突变先验在突变位点预测上超过最强基线两倍以上。经过 RL 优化后,iGC 保持了 SHM 序列结构。它还实现了良好的探索-利用平衡,在不同候选选择阈值下产生具有竞争力的奖励-多样性乘积。这些结果表明,iGC 将生物学上合理的突变生成与抗原特异性亲和力选择相结合,为迭代式抗体亲和力成熟提供了一个计算机模拟框架。
来源:arXiv · arxiv.org